CN108717175A - 基于区域划分和稀疏支持向量回归的室内指纹定位方法 - Google Patents
基于区域划分和稀疏支持向量回归的室内指纹定位方法 Download PDFInfo
- Publication number
- CN108717175A CN108717175A CN201810349952.2A CN201810349952A CN108717175A CN 108717175 A CN108717175 A CN 108717175A CN 201810349952 A CN201810349952 A CN 201810349952A CN 108717175 A CN108717175 A CN 108717175A
- Authority
- CN
- China
- Prior art keywords
- access point
- rssi
- signal strength
- wireless access
- indoor fingerprint
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 230000008447 perception Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000005070 sampling Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 5
- 239000011159 matrix material Substances 0.000 claims description 5
- 102000008297 Nuclear Matrix-Associated Proteins Human genes 0.000 claims description 4
- 108010035916 Nuclear Matrix-Associated Proteins Proteins 0.000 claims description 4
- 210000000299 nuclear matrix Anatomy 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/02—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using radio waves
- G01S5/0252—Radio frequency fingerprinting
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
- H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,包括以下步骤:1)将待定位区域划分为多个子区域,定义各个子区域顶点的坐标,并在各顶点设置参考信号节点,收集各参考信号节点周围的无线接入点的信号强度,将收集到的信号强度数据与该点的物理坐标结合,形成指纹数据;2)将来自参考节点的信号强度数据通过可靠AP选择算法进行过滤;3)构建室内指纹定位模型,并进行训练;4)用户终端实时感知其实际位置的周围接收到的若干个无线接入点的信号强度,并将该数据上传至服务器,根据训练后的室内指纹定位模型计算用户终端的实际位置并传送给用户终端。与现有技术相比,本发明具有有效提取信号、定位精度高等优点。
Description
技术领域
本发明涉及复杂环境的室内定位领域,尤其是涉及一种基于区域划分和稀疏支持向量回归的室内指纹定位方法。
背景技术
随着无线通信技术的发展普及和移动智能终端的广泛应用,人们对于基于位置服务(Location Based Services,LBSs)的需求不断增加,LBSs已经成为驱动定位技术发展的强大动力和其重要应用领域。尤其在室内LBSs领域,它能显著提高室内环境的管理、个人导航服务质量、环境感知等。尽管在室外定位领域,全球定位系统(Global PositioningSystem,GPS)等相似的全球导航卫星系统能够提供高质量的定位服务,但在室内定位领域,可靠的高精度定位仍然面临着巨大挑战。
现有的室内定位技术中,基于无线电技术的室内定位方法引起了学者的广泛关注,主要有射频方式、超声波、超宽带、蓝牙、Zigbee技术等。这类方法往往对定位环境有较高的要求,且需要额外的硬件设备,带来较高的维护成本。随着无线局域网络(WirelessLocal Area Network,WLAN)技术的发展,室内环境中部署了大量可接入点(AccessPoints,APs),与此同时基于接收信号强度(Received Signal Strength,RSS)的室内定位算法已经成为一种廉价的室内定位解决方案。基于WLAN的室内定位方法主要分为以下三类:
1)基于到达时间(Time Of Arrival,TOA)或到达时间差(Time Difference OfArrival,TDOA)定位;
2)基于到达角度(Angle of Arrival,AOA)定位;
3)基于RSS指纹定位,相比于前两种定位方法,基于RSS指纹定位方法不需要估计太多的参数,它能有效地克服信号在室内环境的多路径传播效应并提高室内定位精度。此外,在定位系统无需知道周围APs的具体位置,因此基于RSS指纹定位技术具有更好的适应性。
随着无线通信技术的蓬勃发展和进步,在指纹数据采集阶段可采集到的APs的数量非常之多,样本随着时间不断增加,这样就增加了数据的存储、计算等方面的难度。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于区域划分和稀疏支持向量回归的室内指纹定位方法。
本发明的目的可以通过以下技术方案来实现:
一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,包括以下步骤:
1)将待定位区域划分为多个子区域,定义各个子区域顶点的坐标,并在各顶点设置参考信号节点,收集各参考信号节点周围的无线接入点的信号强度,经路由器建立与后台服务器的连接,将收集到的信号强度数据与该点的物理坐标结合,形成指纹数据,上传到服务器;
2)服务器将来自参考节点的信号强度数据通过可靠AP选择算法进行过滤,并存储在数据库中;
3)构建室内指纹定位模型,并根据过滤后的指纹数据对室内指纹定位模型进行训练;
4)用户终端实时感知其实际位置的周围接收到的若干个无线接入点的信号强度,并将该数据上传至服务器,根据训练后的室内指纹定位模型计算用户终端的实际位置并传送给用户终端。
所述的步骤2)具体包括以下步骤:
201)获取K次采样后在参考点j处无线接入点i信号强度的方差δij:
RSSk=rssiijk
其中,rssiijk为第k次采样参考点j接收到的接入点i的信号强度,为采样信号强度平均值;
202)计算K次采样后各无线接入点的信号出现频率Proi:
其中,Ci为无线接入点i的在全部采样中出现的次数,Ck为第k次采样中无线接入点i出现的次数;
203)计算接入点i的可靠性:
其中,ε为极小的正数;
204)计算接入点i的熵ΔEi:
其中,Relk为第k次采样中接入点i的可靠性;
205)将所有的无线接入点的ΔEi按从大到小顺序排列,取前l个作为选择的可接入点,并将数据库中非该l个无线接入点信号强度数据剔除。
所述的步骤3)中,室内指纹定位模型采用稀疏最小二乘支持向量回归模型。
所述的步骤3)具体包括以下步骤:
31)对过滤后的指纹数据进行核主特征分析;
32)对核主特征分析后的指纹数据进行k-means聚类,将整个待定位区域划分为p个区域;
33)根据L0范式构造稀疏最小二乘支持向量回归模型,即:
其中,f(x)为目标定位值,αi为拉格朗日乘子,Φ(xi)为核函数,x为样本自变量,即接收到的接入点的信号强度,b为偏差值。
所述的步骤301)具体包括以下步骤:
311)将过滤后的指纹数据整合成一个样本数据矩阵:
db=(rssi1,rssi2,…rssii…,rssip)
其中,rssii=(rssii1,rssii2,…,rssiij)T,rssiij为参考点j在无线接入点i处采样平均值,p为采样阶段无线接入点的种类数;
312)通过高斯核函数将样本数据矩阵db映射到线性可分的高维空间,得到核矩阵S,获取核矩阵S的特征值和特征向量,特征值分解公式如下:
λ(Ψ(rssi)·v)=S·v
其中,λ为特征向量v的特征值,Ψ(rssi)为输入特征映射值;
313)根据设定的提取效率,选取累计贡献率大于该提取效率的特征集[λ1,…,λm],其对应主特征集为V=[v1,…,vm];
所述的步骤4)中,用户终端的实际位置为:
其中,分别为x、y方向上相应的拉格朗日乘子,bx、by分别为x、y方向上相应的偏差值,F(·)为高斯核函数,即:
其中,σ2为核函数参数,u为用户在实时位置处的采样并进行主特征分析后的输出,vh为总维数为m的主特征集V的第h个特征向量。
与现有技术相比,本发明具有以下优点:
一、有效提取信号:定义了可靠AP选择指标ΔEi,结合接收到信号的的方差和出现频率,对特定AP信号强度相对于全部AP信号强度的可靠性进行量化,选取相对于其他接入点较可靠的AP作为有效定位信号源,排除弱AP的干扰,有效地提高了信号提取的有效性。
二、定位精度高:创新地将稀疏学习引入到室内定位领域,通过对指纹数据进行优化,在减少指纹数据的存储空间,提高模型的计算速度的同时提高定位精度。
三、本专利将室内定位问题看作是稀疏信号的重构问题,系统通过对来自少量的关键APs的RSS值进行计算,从而实现对室内用户得定位,根据指纹数据的相似性,提出针对目标定位区域的区域划分算法,很大程度上提高了在大型室内环境的定位精度。
附图说明
图1为本发明的定位示意图。
图2为本发明的方法流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,为本实例基于区域划分和稀疏支持向量回归的室内指纹定位系统示意图,包括:n个固定位置的参考信号接收阵列、无线路由器及服务器等硬件设备。
本发明提供一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,如图2所示,包括以下步骤:
1)将待定位区域划分为若干个区域,定义各个顶点的坐标,并在各顶点部署参考信号节点,收集各参考节点周围的无线接入点的Mac值及其信号强度:
M(-36.29,59.32)=[-36.29,59.32,100,100,…,-88,-96,…,100,100]
M(-41.38,64.46)=[-32.38,61.46,100,100,…,-94,100,…,100,100]
M(-46.35,69.37)=[-36.29,59.32,100,100,…,-85,100,…,100,100]
M(-51.30,74.39)=[-36.29,59.32,100,100,…,-93,-95,…,100,100]
M(-56.27,79.31)=[-36.29,59.32,100,100,…,-89,100,…,100,100]
在收集指纹数据过程中,若未能检测到某个AP值,则在存储数据时将该位置100;
2)经路由器建立与后台服务器的连接,将收集到的信号强度数据与该点的物理坐标结合,形成指纹数据,上传到服务器,存储在服务器中的指纹数据库中,如图表1所示。
表1指纹数据表
对物理坐标位置相同的指纹数据进行求平均值,得到形如以下格式的矩阵:
其中为APj在参考点i处K次采样的平均值,n,g分别为参考点和AP的个数;
3)在上述服务器中利用来自参考节点的信号强度数据计算各AP的熵:
并将ΔEi按从大到小的顺序排列,选取前p个作为可靠的AP,并将对应的指纹数据抽取出来,存储在数据库中;
4)利用3)中得到的指纹数据,完成区域划分和稀疏支持向量回归的室内指纹定位模型的训练,根据指纹信号的相似性应用核主成分分析改进k-means聚类算法将目标区域划分为若干个子区域,得到相应的主特征集为:
V=[v1,…,vm]
定位预测函数模型表达式如下所示:
f(x)=ωTΦ(xi)+b
其中,xi为输入指纹数据的特征向量,ωT为权重列向量,b为偏置变量,Φ(xi)是输入向量映射到高维的特征空间。
5)用户终端实时感知其实际位置的周围接收到的若干个无线接入点的信号强度为AP=(rssi1,rssi2,…,rssig),并将该数据上传至服务器,利用可靠性指标和S3得到的室内定位模型计算用户实时位置所属的子区域及相应的u=rssT·V,并将收集到的指纹数据作为所属子区域的模型中,输出用户终端的实际位置:
并传送给用户终端,实现定位功能。
本发明基于室内指纹数据进行复杂环境的室内定位,首先将用户实时接收到的指纹数据输入到定位模型中,输出用户的实时位置。进而实现室内环境的路径等功能。
Claims (6)
1.一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,包括以下步骤:
1)将待定位区域划分为多个子区域,定义各个子区域顶点的坐标,并在各顶点设置参考信号节点,收集各参考信号节点周围的无线接入点的信号强度,经路由器建立与后台服务器的连接,将收集到的信号强度数据与该点的物理坐标结合,形成指纹数据,上传到服务器;
2)服务器将来自参考节点的信号强度数据通过可靠AP选择算法进行过滤,并存储在数据库中;
3)构建室内指纹定位模型,并根据过滤后的指纹数据对室内指纹定位模型进行训练;
4)用户终端实时感知其实际位置的周围接收到的若干个无线接入点的信号强度,并将该数据上传至服务器,根据训练后的室内指纹定位模型计算用户终端的实际位置并传送给用户终端。
2.根据权利要求1所述的一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,所述的步骤2)具体包括以下步骤:
201)获取K次采样后在参考点j处无线接入点i信号强度的方差δij:
RSSk=rssiijk
其中,rssiijk为第k次采样参考点j接收到的接入点i的信号强度,为采样信号强度平均值;
202)计算K次采样后各无线接入点的信号出现频率Proi:
其中,Ci为无线接入点i的在全部采样中出现的次数,Ck为第k次采样中无线接入点i出现的次数;
203)计算接入点i的可靠性:
其中,ε为极小的正数;
204)计算接入点i的熵ΔEi:
其中,Relk为第k次采样中接入点i的可靠性;
205)将所有的无线接入点的ΔEi按从大到小顺序排列,取前l个作为选择的可接入点,并将数据库中非该l个无线接入点信号强度数据剔除。
3.根据权利要求1所述的一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,所述的步骤3)中,室内指纹定位模型采用稀疏最小二乘支持向量回归模型。
4.根据权利要求3所述的一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,所述的步骤3)具体包括以下步骤:
31)对过滤后的指纹数据进行核主特征分析;
32)对核主特征分析后的指纹数据进行k-means聚类,将整个待定位区域划分为p个区域;
33)根据L0范式构造稀疏最小二乘支持向量回归模型,即:
其中,f(x)为目标定位值,αi为拉格朗日乘子,Φ(xi)为核函数,x为样本自变量,即接收到的接入点的信号强度,b为偏差值。
5.根据权利要求4所述的一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,所述的步骤301)具体包括以下步骤:
311)将过滤后的指纹数据整合成一个样本数据矩阵:
db=(rssi1,rssi2,…rssii…,rssip)
其中,rssii=(rssii1,rssii2,…,rssiij)T,rssiij为参考点j在无线接入点i处采样平均值,p为采样阶段无线接入点的种类数;
312)通过高斯核函数将样本数据矩阵db映射到线性可分的高维空间,得到核矩阵S,获取核矩阵S的特征值和特征向量,特征值分解公式如下:
λ(Ψ(rssi)·v)=S·v
其中,λ为特征向量v的特征值,Ψ(rssi)为输入特征映射值;
313)根据设定的提取效率,选取累计贡献率大于该提取效率的特征集[λ1,…,λm],其对应主特征集为V=[v1,…,vm]。
6.根据权利要求5所述的一种基于区域划分和稀疏支持向量回归的室内指纹定位方法,其特征在于,所述的步骤4)中,用户终端的实际位置为:
其中,分别为x、y方向上相应的拉格朗日乘子,bx、by分别为x、y方向上相应的偏差值,F(·)为高斯核函数,即:
其中,σ2为核函数参数,u为用户在实时位置处的采样并进行主特征分析后的输出,vh为总维数为m的主特征集V的第h个特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349952.2A CN108717175B (zh) | 2018-04-18 | 2018-04-18 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810349952.2A CN108717175B (zh) | 2018-04-18 | 2018-04-18 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108717175A true CN108717175A (zh) | 2018-10-30 |
CN108717175B CN108717175B (zh) | 2020-10-02 |
Family
ID=63899111
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810349952.2A Expired - Fee Related CN108717175B (zh) | 2018-04-18 | 2018-04-18 | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108717175B (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110366244A (zh) * | 2019-08-02 | 2019-10-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
CN110572777A (zh) * | 2019-10-22 | 2019-12-13 | 电子科技大学 | 一种基于蜂窝区域限制辅助定位的方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN110891241A (zh) * | 2020-01-08 | 2020-03-17 | 北京理工大学重庆创新中心 | 一种基于长短时间记忆网络模型与接入点选择策略的指纹定位方法 |
CN111257830A (zh) * | 2018-12-03 | 2020-06-09 | 南京理工大学 | 基于预先设定ap位置的wifi定位算法 |
WO2020259718A1 (zh) * | 2019-09-20 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
CN112333625A (zh) * | 2019-11-05 | 2021-02-05 | 重庆邮电大学 | 一种基于Tensorflow的室内指纹定位方法 |
CN113825139A (zh) * | 2021-08-18 | 2021-12-21 | 北京航空航天大学 | 基于区块链的物联网设备位置指纹定位方法及系统 |
CN114745658A (zh) * | 2022-03-01 | 2022-07-12 | 华中科技大学 | 基于决策融合的距离估计方法及介质 |
CN115327478A (zh) * | 2022-10-10 | 2022-11-11 | 广东省电信规划设计院有限公司 | 基于无线接入点doa估计的设备定位方法及系统 |
CN114745658B (zh) * | 2022-03-01 | 2024-06-04 | 华中科技大学 | 基于决策融合的距离估计方法及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104093203A (zh) * | 2014-07-07 | 2014-10-08 | 浙江师范大学 | 一种用于无线室内定位的接入点选择算法 |
CN105657823A (zh) * | 2015-12-16 | 2016-06-08 | 吉林大学 | 基于核函数主特征提取的wifi室内加权k近邻定位算法 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
-
2018
- 2018-04-18 CN CN201810349952.2A patent/CN108717175B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104093203A (zh) * | 2014-07-07 | 2014-10-08 | 浙江师范大学 | 一种用于无线室内定位的接入点选择算法 |
CN105657823A (zh) * | 2015-12-16 | 2016-06-08 | 吉林大学 | 基于核函数主特征提取的wifi室内加权k近邻定位算法 |
CN106851573A (zh) * | 2017-01-22 | 2017-06-13 | 西安交通大学 | 基于对数路径损耗模型的联合加权k近邻室内定位方法 |
CN107333238A (zh) * | 2017-07-03 | 2017-11-07 | 杭州电子科技大学 | 一种基于支持向量回归的室内指纹快速定位方法 |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111257830B (zh) * | 2018-12-03 | 2023-08-04 | 南京理工大学 | 基于预先设定ap位置的wifi定位算法 |
CN111257830A (zh) * | 2018-12-03 | 2020-06-09 | 南京理工大学 | 基于预先设定ap位置的wifi定位算法 |
CN110366244B (zh) * | 2019-08-02 | 2020-12-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
CN110366244A (zh) * | 2019-08-02 | 2019-10-22 | 无锡职业技术学院 | 一种WiFi指纹室内定位方法 |
WO2020259718A1 (zh) * | 2019-09-20 | 2020-12-30 | 深圳前海微众银行股份有限公司 | 基于联邦学习的室内定位方法、装置、终端设备及介质 |
CN110572777A (zh) * | 2019-10-22 | 2019-12-13 | 电子科技大学 | 一种基于蜂窝区域限制辅助定位的方法 |
CN110572777B (zh) * | 2019-10-22 | 2020-07-21 | 电子科技大学 | 一种基于蜂窝区域限制辅助定位的方法 |
CN110826785B (zh) * | 2019-10-28 | 2022-07-05 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN110826785A (zh) * | 2019-10-28 | 2020-02-21 | 同济大学 | 一种基于k-medoids聚类和泊松逆高斯的高风险路段识别方法 |
CN112333625A (zh) * | 2019-11-05 | 2021-02-05 | 重庆邮电大学 | 一种基于Tensorflow的室内指纹定位方法 |
CN110891241A (zh) * | 2020-01-08 | 2020-03-17 | 北京理工大学重庆创新中心 | 一种基于长短时间记忆网络模型与接入点选择策略的指纹定位方法 |
CN113825139A (zh) * | 2021-08-18 | 2021-12-21 | 北京航空航天大学 | 基于区块链的物联网设备位置指纹定位方法及系统 |
CN114745658A (zh) * | 2022-03-01 | 2022-07-12 | 华中科技大学 | 基于决策融合的距离估计方法及介质 |
CN114745658B (zh) * | 2022-03-01 | 2024-06-04 | 华中科技大学 | 基于决策融合的距离估计方法及介质 |
CN115327478A (zh) * | 2022-10-10 | 2022-11-11 | 广东省电信规划设计院有限公司 | 基于无线接入点doa估计的设备定位方法及系统 |
CN115327478B (zh) * | 2022-10-10 | 2023-01-03 | 广东省电信规划设计院有限公司 | 基于无线接入点doa估计的设备定位方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108717175B (zh) | 2020-10-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108717175A (zh) | 基于区域划分和稀疏支持向量回归的室内指纹定位方法 | |
Li et al. | AF-DCGAN: Amplitude feature deep convolutional GAN for fingerprint construction in indoor localization systems | |
CN105828289B (zh) | 一种基于信道状态信息的无源室内定位方法 | |
Ye et al. | Neural-network-assisted UE localization using radio-channel fingerprints in LTE networks | |
Wang et al. | Toward accurate device-free wireless localization with a saddle surface model | |
Xiong et al. | Towards fine-grained radio-based indoor location | |
CN104519571B (zh) | 一种基于rss的室内定位方法 | |
Ruan et al. | Hi-Loc: Hybrid indoor localization via enhanced 5G NR CSI | |
CN105898713A (zh) | 一种基于加权余弦相似度的WiFi指纹室内定位方法 | |
CN106054130B (zh) | 一种基于music算法的室内定位方法及装置 | |
CN108318861A (zh) | 一种基于csi高精度测距定位方法 | |
CN110933628B (zh) | 基于孪生网络的指纹室内定位方法 | |
CN105792356A (zh) | 一种基于wifi的位置指纹定位方法 | |
CN110475221A (zh) | 一种基于信道状态信息的人员动作识别和位置估计方法 | |
Xu et al. | Self-adapting multi-fingerprints joint indoor positioning algorithm in WLAN based on database of AP ID | |
CN106255059B (zh) | 一种基于几何方式的无设备目标定位方法 | |
CN104540219B (zh) | 一种低复杂度的Wi-Fi指纹室内定位方法 | |
CN104394588A (zh) | 基于Wi-Fi指纹和多维尺度分析的室内定位方法 | |
CN109819394A (zh) | 基于WiFi与超声波混合的室内定位方法及其系统 | |
CN104581945B (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
CN106304330A (zh) | 一种减轻背景电磁波影响的射频层析成像定位方法 | |
CN107071902A (zh) | 一种基于混合滤波和幂指数映射wifi室内定位方法 | |
CN110488222A (zh) | 一种nlos条件下svm与重心坐标相结合的uwb定位方法 | |
CN105704676B (zh) | 利用信号时间相关性提高指纹室内定位精度的方法 | |
Xu et al. | CSI-based autoencoder classification for Wi-Fi indoor localization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20201002 |